VIOLACION DEL SUPUESTO DE NO COLINEALIDAD ENTRE

VARIABLES EXPLICATIVAS: CAUSAS, CONSECUENCIAS,

DETECCION Y CORRECCION
A FIN DE ENTENDER EL PROCESO DE ESTIMACION E INTERPRETACION
DEL MODELO Y LLEVAR A CABO INFERENCIA ESTADISTICA, HASTA AHORA
HEMOS ASUMIDO QUE EL MODELO SATISFACE TODOS LOS SUPUESTOS
ENUNCIADOS EN EL CAPITULO 3. SIN EMBARGO, MUY RARA VEZ EL
INVESTIGADOR LOGRA ESTIMAR UN MODELO QUE DE BUENAS
APRIMERAS SATISFAGA TODOS LOS SUPUESTOS.
UNO DE LOS SUPUESTOS ESTABLECE QUE NO DEBE HABER RELACION
ALGUNA ENTRE LAS VARIABLES EXPLICATIVAS. SIN EMBARGO, SIENDO
QUE DIFICILMENTE EXISTEN EN ECONOMIA DOS VARIABLES TOTALMENTE
INDEPENDIENTES LA UNA DE LA OTRA, RELAJAMOS EL SUPUESTO Y
DECIMOS QUE NO DEBE EXISTIR RELACION FUERTE ENTRE ELLAS.

SUPUESTO: NO EXISTE RELACION LINEAL FUERTE ENTRE ALGUNAS O

TODAS LAS VARIABLES EXPLICATIVAS DEL MODELO DE REGRESION.
EL CASO MAS GRAVE OCURRE CUANDO EXISTE MULTICOLINEALIDAD
PERFECTA, ES DECIR 1X1 + 2 X2 + + kXk = 0

X2

X3

No colinealidad

J. Ramoni Perazzi
Econometra I

X2

X3

Colinealidad

Captulo 10. 1

POSIBLES FUENTES DE MULTICOLINEALIDAD:

PROCESO DE RECOLECCION DE DATOS (MANIPULACION)
RESTRICCIONES EN EL MODELO O EN LA POBLACION OBJETO DE
MUESTREO: SALARIO=f(EDAD, EXPERIENCIA)

INCORRECTA ESPECIFICACION DEL MODELO

SOBREIDENTIFICACION: k > n (MICRONUMEROSIDAD DE GOLDBERGER)
REGRESORES SIGUEN TENDENCIA COMUN (SERIES DE TIEMPO)

CONSECUENCIAS DE LA MULTICOLINEALIDAD:
A)

COLINEALIDAD PERFECTA O EXACTA: LOS COEFICIENTES SERAN

INDETERMINADOS, CON DESVIACION ESTANDAR INFINITA NO SE
PUEDE SEPARAR EL EFECTO DE CADA VARIABLE EXPLICATIVA
SOBRE Y EL MODELO NO PUEDE SER ESTIMADO

EJEMPLO:

SEA X3i = X2i

CON

Yi = 1 + 2 X2i +3 X3i +Ui

Yi = 1 + 2 X2i +3 (X2i )+Ui

Yi = 1 + (2 +3 ) X2i +Ui
Yi = 1 + X2i +Ui
NOTE QUE PODEMOS ESTIMAR , PERO NO PODEMOS ESTIMAR 2 Y 3,
DADO QUE
= 2 + 3
TENEMOS UNA ECUACION CON DOS INCOGNITAS, POR TANTO EL
SISTEMA NO TIENE SOLUCION. SE CONFUNDEN LOS EFECTOS DE X2 Y X3
SOBRE Y.
DESDE EL PUNTO DE VISTA MATRICIAL: NO EXISTE (XX)-1 POR LO QUE NO
PUEDE ESTIMARSE = (XX)-1XY, LOS SON INDETERMINADOS Y DE
VARIANZA INFINITA.

J. Ramoni Perazzi
Econometra I

Captulo 10. 2

B)

COLINEALIDAD NO PERFECTA: COEFICIENTES DETERMINADOS,

PERO LAS ESTIMACIONES PUEDEN NO SER PRECISAS O ACURADAS
(GRANDES ERRORES ESTANDAR).
VAR( 2) = 2 /

x
i 1

2
2i

(1 R22 )

DONDE R22 ES EL R2 DE LA REGRESION DE X2 CONTRA TODOS LOS

DEMAS REGRESORES DEL MODELO. OBSERVE QUE A MAYOR R22 ,
MAYOR VAR( 2).

AUN CUANDO LA MULTICOLINEALIDAD VIOLA UNO DE LOS

SUPUESTOS DEL MCRL, LOS ESTIMADORES MCO SIGUEN SIENDO
MELI.

LOS ESTIMADORES MCO SERAN EFICIENTES (TENDRAN VARIANZA

MINIMA), PERO SU VARIANZA ES MAYOR (VARIANZA MINIMA NO
EQUIVALE A VARIANZA PEQUEA) INTERVALOS DE CONFIANZA
SERAN MAS AMPLIOS Y LOS ESTADISTICOS t SERAN MAS
PEQUEOS AUMENTA LOS CASOS DONDE SE CONCLUYE NO
RECHAZAR Ho.

LOS VALORES DE t PUEDEN SER ESTADISTICAMENTE

SIGNIFICATIVOS, CON ALTOS VALORES DE R2.

PROBLEMAS AL TRATAR DE DESAGREGAR LAS INFLUENCIAS

INDIVIDUALES DE X2 y X3 SOBRE Y.

NO

CHRISTOPHER ACHEN (Interpreting and using regresin, Sage Publications,

California, 1982) : LOS NOVATOS OCASIONALMENTE SE PREOCUPAN POR EL
HECHO DE QUE SUS VARIABLES INDEPENDIENTES ESTEN CORRELACIONADAS EL
UNICO EFECTO DE LA MULTICOLINEALIDAD TIENE QUE VER CON LA DIFICULTAD DE
OBTENER ESTIMADOS CON ERRORES ESTANDAR PEQUEOS. SIN EMBARGO, EL MISMO
PROBLEMA SE TIENE AL CONTAR CON UN NUMERO REDUCIDO DE OBSERVACIONES
POR TANTO, [ A ] LA PREGUNTA QU DEBE HACERSE? NO SE PUEDE DAR UNA
RESPUESTA ESTADISTICA

EDWARD LEAMER (Model choice and specification analysis; Handobook of

Econometrics; vol 1, 1983): NO HAY TERMINOS QUE SE HAYAN UTILIZADO DE MANERA
MAS ERRONEA , QUE EL PROBLEMA DE LA MULTICOLINEALIDAD. ES UN HECHO QUE
MUCHAS DE LAS VARIABLES EXPLICATIVAS PRESENTAN UN ALTO GRADO DE
COLINEALIDAD PERO NO ES NADA CONSTRUCTIVO QUEJARSE DE LA APARENTE
MALEVOLENCIA DE LA NATURALEZA, ASI QUE LOS REMEDIOS PUEDEN SER
DESASTROSOS
J. Ramoni Perazzi
Econometra I

Captulo 10. 3

EJEMPLO 1: (TABLA 10.5) CONSUMO EN FUNCION DE INGRESO Y

RIQUEZA
CORRELACIONES (PEARSON)
INGRESO
RIQUEZA

CONS
0.9808
0.9781

INGRESO
0.9990

UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF CONS

PREDICTOR
VARIABLES
--------CONSTANT
INGRESO
RIQUEZA

COEFFICIENT
----------24.7747
0.94154
-0.04243

R-SQUARED
ADJUSTED R-SQUARED
SOURCE
---------REGRESSION
RESIDUAL
TOTAL

DF
--2
7
9

CASES INCLUDED 10

STD ERROR
--------6.75250
0.82290
0.08066

0.9635
0.9531

STUDENT'S T
----------3.67
1.14
-0.53

P
-----0.0080
0.2902
0.6151

RESID. MEAN SQUARE (MSE)

STANDARD DEVIATION

SS
---------8565.55
324.446
8890.00

MS
---------4282.78
46.3494

F
----92.40

VIF
----482.1
482.1

46.3494
6.80804

P
-----0.0000

MISSING CASES 0

UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF CONS

PREDICTOR
VARIABLES
--------CONSTANT
INGRESO
R-SQUARED

COEFFICIENT
----------24.4545
0.50909
0.9621

STD ERROR
--------6.41382
0.03574
F= 202.87

STUDENT'S T
----------3.81
14.24

P
-----0.0051
0.0000

(P=0%)

UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF CONS

PREDICTOR
VARIABLES
--------CONSTANT
RIQUEZA
R-SQUARED

J. Ramoni Perazzi
Econometra I

COEFFICIENT
----------24.4110
0.04976
0.9567

STD ERROR
--------6.87410
0.00374
F= 176.67

STUDENT'S T
----------3.55
13.29

P
-----0.0075
0.0000

(P=0%)

Captulo 10. 4

DETECTANDO MULTICOLINEALIDAD: NO EXISTEN TESTS FEHACIENTES

PARA DETECTAR MULTICOLINEALIDAD. BASICAMENTE SE RECURRE A
UNA SERIE DE PISTAS
KMENTA: LA MULTICOLINEALIDAD ES UN PROBLEMA DE LA
MUESTRA, NO DE LA POBLACION. LA MULTICOLINEALIDAD ES UN
ASUNTO DE GRADO, NO DE SI EXISTE O NO. POR CONSIGUIENTE NO
SON NECESARIAS PRUEBAS SOBRE MULTICOLINEALIDAD SINO, A
LO SUMO, MEDIR SU GRADO.

ALTO R2 PERO NINGUNA t SIGNIFICATIVA.

ALTA CORRELACION ENTRE REGRESORES (digamos superior al 80%):

EN UN MODELO CON DOS VARIABLES EXPLICATIVAS, UN ANALISIS
DE CORRELACION ENTRE ELLAS PUEDE INDICAR SI EXISTE O NO
PROBLEMA DE COLINEALIDAD. SIN EMBARGO, EN UN MODELO MAS
COMPLEJO ESTE TEST ES INSUFICIENTE, PUESTO QUE LA
RELACION ENTRE TRES O MAS VARIABLES ES DIFICIL DE DETECTAR
Y PASARIA DESAPERCIBIDA.

REGRESIONES AUXILIARES ENTRE VARIABLES EXPLICATIVAS: R2 DE

REGRESION AUXILIAR DEBE SER ADECUADAMENTE BAJO (REGLA
PRACTICA DE KLIEN)

PRUEBA F DE SNEDECOR: A PARTIR DE LOS R2 DE LAS

REGRESIONES AUXILIARES DE CADA VARIABLE EXPLICATIVA EN
FUNCION DE LAS DEMAS, SE CONSTRUYE EL ESTADISTICO:
R / (k - 2)
F =
(1 - R) / (n - k + 1)

ALTA SENSIBILIDAD DE PARAMETROS ESTIMADOS A LA INCLUSION

Y ELIMINACION DE OBSERVACIONES O VARIABLES.

J. Ramoni Perazzi
Econometra I

Captulo 10. 5

INDICE DE CONDICION (IC): SI IC ESTA ENTRE 10 Y 30, EXISTE

COLINEALIDAD MODERADA; SI IC EXCEDE 30, EXISTE COLINEALIDAD
SEVERA1. ESTO SE CONOCE COMO TEST DE COLINEALIDAD DE
BESLEY, KUH Y WELSCH.
IC =

Mximo valor propio

= k
Mnimo valor propio

FACTOR INFLADOR DE VARIANZA: SEALA QUE TANTO CRECE LA

VARIANZA DE UN PARAMETRO ESTIMADO DEBIDO A LA
COLINEALIDAD.
ASI, SI PARA DOS VARIABLES EXPLICATIVAS FIV=5.27, ESTO SIGNIFICA
QUE LA DESVIACION ESTANDAR ES 2.3 (5.27 = 2.3) VECES MAYOR A LA
QUE SE TENDRIA SI LAS DOS VARIABLES INVOLUCRADAS NO
ESTUVIESEN CORRELACIONADAS.
FIV = 1 / (1-R223)

FIV

SI

R223

CON R223 EQUIVALENTE AL R2 DE LA REGRESION DE X2 CONTRA X3. SI EL

FIV > 10 (LO CUAL SUCEDE SI R223> 0.9) LA VARIABLE ES COLINEAL.
INDICE DE TOLERANCIA: EL INVERSO DE FIV
TOL = 1/ FIV = (1-R223)

TOL

SI

R223

MADDALA (2001): ESTUDIAR EL PROBLEMA DE COLINEALIDAD

UNICAMENTE A PARTIR DE ALTA CORRELACION ENTRE VARIABLES
EXPLICATIVAS ES UN ERROR. LA DECISION DE CUAN GRAVE ES LA
COLINEALIDAD REQUIERE DE LA REVISION DE LOS ERRORES
ESTANDAR Y DE LOS t.

El vector propio o eigenvector v de una matriz Anxn es una matriz de orden n x

1 tal que Av v donde es un valor escalar real que recibe el nombre de valor
propio o eigenvalor.
1

J. Ramoni Perazzi
Econometra I

Captulo 10. 6

MEDIDAS CORRECTIVAS:

BUSCAR NUEVOS Y MEJORES DATOS (RARA VEZ POSIBLE)

NO HACER NADA: LOS ESTIMADORES MCO SIGUEN SIENDO MELI. SI

LOS DATOS SON DEFICIENTES Y NO PODEMOS CAMBIARLOS, NO
HAY NADA QUE HACER (BLANCHARD)

INFORMACION A PRIORI: TENER CUIDADO AL ESPECIFICAR EL

MODELO.

POOLED DATA: COMBINANDO DATOS DE CORTE TRANSVERSAL Y

SERIES DE TIEMPO

ELIMINAR VARIABLE(S), PERO ELLO PUEDE GENERAR ERRORES DE

ESPECIFICACION.

TRANSFORMACION DE LAS VARIABLES QUE PERMITA RESOLVER EL

PROBLEMA:
VARIABLES EN PRIMERA DIFERENCIA (ELIMINA TENDENCIA):
Yi = 1 + 2 X2i +3 X3i +vi
TRANSFORMACION DE RAZON
VARIABLES EN DESVIACIONES (REGRESIONES POLINOMIALES)

INCREMENTAR TAMAO DE MUESTRA

ANALISIS DE FACTORES Y COMPONENTES PRINCIPALES: PERMITEN

CREAR VARIABLES LATENTES QUE SE INCLUYEN EN EL MODELO DE
RGRESION

EJEMPLO 2: PRECIO DE VEHICULOS

PRECIO

CILINDROS

POTENCIA

DOMESTICO

PESO

PRECIO

0.661179679

0.784142527

-0.086891088

0.658537356

CILINDROS

0.661179679

0.794648424

0.294558615

0.794336123

POTENCIA

0.784142527

0.794648424

0.100255676

0.765390591

DOMESTICO

-0.086891088

0.294558615

0.100255676

0.213419680

PESO

0.658537356

0.794336123

0.765390591

0.213419680

J. Ramoni Perazzi
Econometra I

Captulo 10. 7

Dependent Variable: PRECIO

Included observations: 92
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
PESO
POTENCIA
DOMESTICO
CILINDROS

-6.602906
0.002299
0.106746
-4.244207
1.186313

3.352265
0.001779
0.021108
1.277526
0.895632

-1.969685
1.292514
5.057113
-3.322208
1.324554

0.0521
0.1996
0.0000
0.0013
0.1888

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.665971
0.650613
5.683545
2810.333
-287.8288
1.331592

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

19.36848
9.615372
6.365842
6.502896
43.36409
0.000000

LA VARIABLE CILINDROS NO ES SIGNIFICATIVA. ADEMAS, ESTA

ALTAMENTE CORRELACIONADA TANTO CON PESO COMO CON POTENCIA.

Dependent Variable: PRECIO

Included observations: 93
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
PESO
POTENCIA
DOMESTICO

-6.353290
0.003464
0.119158
-3.721790

3.290929
0.001534
0.016918
1.217061

-1.930546
2.258266
7.043291
-3.058015

0.0567
0.0264
0.0000
0.0029

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

J. Ramoni Perazzi
Econometra I

0.665674
0.654404
5.678525
2869.863
-291.4293
1.449226

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

19.50968
9.659430
6.353318
6.462247
59.06905
0.000000

Captulo 10. 8

EJEMPLO 3: SUELDOS
SIMULTANEAMENTE

EN

FUNCION

Source |
SS
df
MS
-------------+-----------------------------Model |
361611.66
4
90402.915
Residual | 2481154.36 12641 196.278329
-------------+-----------------------------Total | 2842766.02 12645 224.813446

DE

EDAD

EXPERIENCIA,

Number of obs
F( 4, 12641)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

12646
460.59
0.0000
0.1272
0.1269
14.01

-----------------------------------------------------------------------------wagehr |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------age |
1.461888
.05118
28.56
0.000
1.361568
1.562209
exper | -1.458169
.0427488
-34.11
0.000
-1.541964
-1.374375
gender | -6.414467
.2590471
-24.76
0.000
-6.922238
-5.906695
t |
.3630221
.1264449
2.87
0.004
.115171
.6108733
_cons | -726.8261
251.7575
-2.89
0.004
-1220.309
-233.3432
------------------------------------------------------------------------------

EL INESPERADO EFECTO NEGATIVO DE LA EXPERIENCIA SOBRE

SUELDOS ES EL RESULTADO DE SU RELACION CON LA EDAD. AL EXCLUIR
DICHA VARIABLE DEL MODELO SE OBTIENE EL SIGNO CORRECTO.

Source |
SS
df
MS
-------------+-----------------------------Model |
361611.66
4
90402.915
Residual | 2481154.36 12641 196.278329
-------------+-----------------------------Total | 2842766.02 12645 224.813446

Number of obs
F( 4, 12641)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

12646
460.59
0.0000
0.1272
0.1269
14.01

-----------------------------------------------------------------------------wagehr |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------exper |
.0037187
.0251891
0.15
0.883
-.0456557
.0530932
eduyrs |
1.461888
.05118
28.56
0.000
1.361568
1.562209
gender | -6.414467
.2590471
-24.76
0.000
-6.922238
-5.906695
t |
.3630221
.1264449
2.87
0.004
.115171
.6108733
_cons | -718.0548
251.7849
-2.85
0.004
-1211.591
-224.5183

J. Ramoni Perazzi
Econometra I

Captulo 10. 9

EJEMPLO 4: MORTALIDAD EN FUNCION DE INDICE DE ALFABETISMO Y

PIB
Dependent Variable: LOG(MORT65)
Method: Least Squares
Included observations: 111
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LIT60
LOG(GDP65)
AFRICA

-1.543913
-1.747147
-0.237378
-0.208187

0.099820
0.168329
0.057555
0.100305

-15.46702
-10.37938
-4.124357
-2.075550

0.0000
0.0000
0.0001
0.0403

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.816537
0.811394
0.353844
13.39701
-40.14748
1.732650

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-2.557583
0.814767
0.795450
0.893091
158.7416
0.000000

LOG(MORT65)

AFRICA

LOG(GDP65)

LIT60

1
0.56558221
-0.79301059
-0.88654321

0.56558221
1
-0.66182394
-0.66945501

-0.79301059
-0.66182394
1
0.7889455

-0.88654321
-0.66945501
0.78894553
1

OBSERVE QUE AFRICA GUARDA UNA RELACION POSITIVA CON LA

MORTALIDAD, PERO EN EL MODELO ESTA RELACION ES NEGATIVA. ELLO
PUEDE DEBERSE A QUE AFRICA ESTA MAS RELACIONADA CON LAS
OTRAS DOS VARIABLES EXPLICATIVAS QUE CON LA DEPENDIENTE

J. Ramoni Perazzi
Econometra I

Captulo 10. 10

EJEMPLO 5: INVERSION EN FUNCION DE PRECIOS DEL PETROLEO, PIB Y

EXPORTACIONES
FBKF
1.000000
0.590010
0.677914
0.224478

PPETRO
0.590010
1.000000
0.731609
0.292106

PIB
0.677914
0.731609
1.000000
0.770112

EXPORT
0.224478
0.292106
0.770112
1.000000

Dependent Variable: FBKF

Method: Least Squares
Sample (adjusted): 1950 2001
Included observations: 52 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
PPETRO
PIB
EXPORT

43935.38
-1683.914
0.424339
-0.768335

8993.870
661.6611
0.054104
0.121494

4.885036
-2.544980
7.843062
-6.324072

0.0000
0.0142
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.715578
0.697802
21481.57
2.21E+10
-590.4011
0.282156

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

79041.65
39076.92
22.86158
23.01168
40.25452
0.000000

SE OBSERVA QUE LOS SIGNOS NO SE CORRESPONDEN A LO ESPERADO,

PROBABLEMENTE POR LA MUY ALTA CORRELACION DE PIB TANTO CON
PPETRO COMO CON EXPORT.

EJEMPLO 6: COBB-DOUGLAS
MATRIZ CORRELACION:
GDP
CAP
EMP

J. Ramoni Perazzi
Econometra I

1
0.9965445
0.9776981

1
0.9693364

Captulo 10. 11

REGRESION CON VARIABLES ORIGINALES

Dependent Variable: GDP
Method: Least Squares
Sample: 1955 1974
Included observations: 20
Variable
C
CAP
EMP
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

Coefficient
-38831.48
0.511917
7.464531
0.995363
0.994817
5946.640
6.01E+08
-200.5652
0.657277

Std. Error
t-Statistic
15422.34 -2.517872
0.042558
12.02872
2.598340
2.872807
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0221
0.0000
0.0106
218506.3
82602.34
20.35652
20.50588
1824.511
0.000000

FIV = 1/(1-R232) = 32.605

VARIABLES EN PRIMERA DIFERENCIA
Dependent Variable: DGDP
Method: Least Squares
Sample(adjusted): 1955 1973
Included observations: 19 after adjusting endpoints
Variable
Coefficient
Std. Error
t-Statistic
C
-2596.618
1640.478 -1.582842
DCAP
0.463066
0.063242
7.322131
DEMP
2.316785
1.033040
2.242687
R-squared
0.780226 Mean dependent var
Adjusted R-squared
0.752754 S.D. dependent var
S.E. of regression
3102.228 Akaike info criterion
Sum squared resid
1.54E+08 Schwarz criterion
Log likelihood
-178.0849 F-statistic
Durbin-Watson stat
2.182612 Prob(F-statistic)
DGDP
DCAP
DEMP

1
0.8432908
0.2092758

1
0.06290452

Prob.
0.1330
0.0000
0.0394
-13733.37
6238.919
19.06157
19.21069
28.40104
0.000005

VIF = 1.067
EXAMPLE 7: CHILD MORTALITY (cm) AS A FUNCTION OF FEMALE
LITERACY (fml), PGNP AND TOTAL FERTILITY RATE (tfr)
. corr cm flr pgnp tfr
|
cm
flr
pgnp
tfr
-------------+-----------------------------------cm |
1.0000
flr | -0.8183
1.0000
pgnp | -0.4077
0.2685
1.0000
tfr |
0.6711 -0.6260 -0.1857
1.0000

J. Ramoni Perazzi
Econometra I

Captulo 10. 12

. reg

cm flr pgnp tfr

Source |
SS
df
MS
-------------+-----------------------------Model | 271802.616
3 90600.8721
Residual | 91875.3836
60 1531.25639
-------------+-----------------------------Total |
363678
63 5772.66667

Number of obs
F( 3,
60)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

64
59.17
0.0000
0.7474
0.7347
39.131

-----------------------------------------------------------------------------cm |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------flr | -1.768029
.2480169
-7.13
0.000
-2.264137
-1.271921
pgnp | -.0055112
.0018782
-2.93
0.005
-.0092682
-.0017542
tfr |
12.86864
4.190533
3.07
0.003
4.486323
21.25095
_cons |
168.3067
32.89166
5.12
0.000
102.5136
234.0998
-----------------------------------------------------------------------------. vif
Variable |
VIF
1/VIF
-------------+---------------------flr |
1.71
0.584165
tfr |
1.65
0.607847
pgnp |
1.08
0.927381
-------------+---------------------Mean VIF |
1.48
. graph matrix cm flr pgnp tfr

50

100

8
300
200

CM

100
0

100

FLR

50

20000

PGNP

10000

0
8
6

TFR

4
2
0

100

J. Ramoni Perazzi
Econometra I

200

300

10000

20000

Captulo 10. 13